想必做过数据分析的同学一定接触过很多分析方法,比如漏斗法,同期群,A/B测试等等。并且由于不同版本的演绎,造成了分析方法种类繁多,令人眼花缭乱,甚至高深莫测。其实真不用把分析方法看的太高大上了,所有的分析方法总结起来就两种:分类和对比,分类和对比,分类和对比,重要的事情说三遍,并且大部分的分析方法都是这两者的结合
为什么说数据分析就是分类和对比呢?
拿我家娃来举例子,我家娃3岁多了,他现在就会用分类和对比来做数据分析了。一天妈妈给他拿了一块大白兔奶糖和一块德芙巧克力,问他选哪个,小家伙犹豫了1分钟,最后选了德芙巧克力;第二天妈妈给他拿了两块大白兔奶糖和一块德芙巧克力,问他选哪个,小家伙又犹豫了1分钟,但这次他选择了两块大白兔奶糖。
其实这两次选择的过程,小家伙都做了分类和对比。他首先把奶糖和巧克力分成了两类,并没有混为一谈,否则就不会犹豫那么长时间了。然后再去做对比,第一次对比的结果是,一块奶糖不如一块巧克力好,所以选择了一块巧克力;第二次对比的结果是,两块奶糖是要比一块巧克力好的,所以选择了两块奶糖。大家看看,一个3岁的小孩都是会做数据分析的。当然,实际业务中的分析方法确实更加复杂,但归纳起来,也是这两个方法的演绎。我们先来看看最基础的对比分析和分类分析是如何应用的:
对比分析
对比分析顾名思义就是将两个或两个以上的数据进行比较,分析它们之间的差异,从而发现数据的变化情况和规律。对比分析法分为静态比较和动态比较两类,用来判断某个数据是好还是坏,以及某几个数据之间的差异性。
对比分析怎么比呢?一般在数据分析中我们可以从这样几个角度进行对比
时间对比:同比、环比、变化趋势
空间对比:不同城市、不同产品对比
目标对比:年度目标、月度目标、活动目标
用户对比:新用户vs老用户、注册用户vs未注册用户等
竞品对比:渠道、功能、体验和流程、推广和收入
分类分析
分类分析就是把分析对象总体中具有不同性质的对象区分开,把性质相同的对象合并在一起,保持各组内对象属性的一致性、组与组之间属性的差异性,以便进一步运用各种数据分析方法来揭示内在的数量关系,最终目的是为了方便对比,所以经常和对比分析法一起用
分类分析一般有以下几种分类方法:
不同时间分组:日、周、月、年等
不同产品类型分组:产品属性;产品区域
不同用户类型分组:人口属性(性别、年龄);客户价值;消费频次
不同渠道分组:线上渠道、线下渠道;付费渠道、免费渠道
案例 :在分析某App的留存率的时候发现有下降趋势,为了更好的定位问题所在,对不同渠道的留存率进行了分组分析,通过分析发现留存率降幅明显的是IOS渠道和应用市场渠道,且因为这两个渠道的用户量占比最大,应该对于整体留存率的影响最大;再通过对这两个渠道的订单完成情况分析,发现接单情况对留存的影响最大,对于完成订单接单时间越长留存越差,对于发布订单未接单率越高留存越差。所以,目前应该提高接单率以及提升完成订单的时效性。
了解了最基础的分类和对比分析法,下面我就从分类对比的角度去帮助大家理解数据分析常用的5个方法:转化漏斗分析、同期群分析、AB测试、用户来源分析、矩阵分析
转化漏斗分析
转化漏斗分析是最常用的一种模型,也是增长黑客理论的基础。特别适合有交易型的业务
最典型的例子就是电商行业。获得了多少新用户(浏览),多少用户被激活(注册),多少用户还来光顾网站(留存),多少用户购买了产品(收入),多少用户帮助推广(传播)。漏斗主要帮助我们解决在哪个环节用户的流失最多
转化漏斗也是一个分类对比的过程。分类是把用户的行为过程分成了5个步骤,对比是看用户在哪个步骤中流失严重。比如用户在注册的阶段流失严重,推测是不是注册过程太繁琐,体验太差导致的,我们就可以对症下药。
同期群分析
同期群(cohort)分析在数据运营领域十分重要,特别是看产品改版后用户整体的留存情况。防止在一个时间点改版后,用户留存率大幅下降却没有察觉。
所谓同期群分析方法,也就是将用户按初始行为的发生时间进行划分为群组(即同期群)。然后对处于相同生命周期阶段的用户进行垂直分析,从而比较得出相似群体随时间的变化的差异。通过比较不同的同期群,可以从总体上看到,用户表现是越来越好,还是越来越差。从而验证产品改进是否取得了效果
这个模型的分类是按照时间窗口来分,对处于相同生命周期阶段的用户进行分类;对比就是比较不同群的用户,在相同生命周期阶段,表现有何差异。横向分类,纵向对比
案例:9月份新增用户10万人,10月份新增用户15万人,但9月份新增用户的30日留存用户为1万人,10月份新增用户的30日留存用户也为1万人,哪个月的运营业绩更好呢?
通过同期群分析,我们可以发现9月份和10月份新增用户的留存用户是相同的,那么9月份的留存率更高,从用户质量角度考虑,9月份的运营成果更好,从有效用户角度考虑,2个月的运营成果相同,从新增用户角度考虑,10月份的运营成果更好。
同期群分析的目的在于透过现象找到结果,以时间维度建立同期群,除按时间维度考虑,也可以对来源渠道等维度建立同期群。
AB测试方法
精益数据分析的主要思想之一,是不要一开始就做一个大而全的产品,而是要不断做出能小而精的功能或者策略,并进行快速的验证。那如何快速验证呢?主要方法就是AB测试
比如:你发现漏斗转化中有环节用户流失严重。假设是商品价格的问题,那么策略就是改变定价。但策略是否正确,要看真实的用户反应,于是采用AB测试。一部分用户看到的是老价格,一部分用户看到新价格,若策略管用,看到新价格的用户应该有更好的转化。那么就可以根据结果来确定是否采用新的价格。
这里的分类就是把用户分成实验组和对照组,对比是什么呢?就是这两组用户后期的表现。通过对比两组用户的表现来判断产品功能或者营销策略是否有效
用户来源分析
随着流量红利的消失,我们对获客来源的重视度变高。如何有效的标注用户来源,至关重要。传统分析工具,渠道分析仅有单一维度,要深入分析不同渠道不同阶段效果,SEM付费搜索等来源渠道和用户所在地区进行交叉分析,得出不同区域的获客详细信息,维度越细,分析结果也越有价值
这里的分类就是就是不同的用户来源渠道,对比是各个渠道的投入产出比,进而决定在哪个渠道加大投入,在哪个渠道缩减开支
矩阵分析法
矩阵分析法是指根据事物(如产品、服务等)的两个重要属性(指标)作为分析的依据,进行分类关联分析,找出解决问题的一种分析方法,也称为矩阵关联分析法,简称矩阵分析法。在做资源分配的时候非常有用
矩阵分析法在解决问题和资源分配时,可以为决策者提供重要参考依据。先解决主要矛盾,再解决次要矛盾,这样有利于提高工作效率,并将资源分配到最能产生绩效的部门、工作中
常见的矩阵分析法有波士顿矩阵,SWOT矩阵等,这里就简单说一下波士顿矩阵模型,它主要思想就是在一个企业内,通过研究产品的市场占有率和产品市场增长率,把企业现有产品划分为不同的四种类型(明星,金牛,问题,瘦狗),其实它也应用来组合分类的思想,比如上面这张图就是根据两个维度“需求增长率”和“市场占有率”的组合把用户分成了4类,这样能够一目了然的确定主次矛盾,进而进行资源优化
本文作者:数据分析不是个事儿 来源:简书
CIO之家 www.ciozj.com 微信公众号:imciow